詳談改進(jìn)的遺傳算法求解柔性作業(yè)車間調(diào)度問題論文
0 引言
作業(yè)車間調(diào)度問題(Job-shop scheduling problem，JSP)是研究生產(chǎn)線調(diào)度問題最常用的模型之一，也是實現(xiàn)先進(jìn)制造和提高生產(chǎn)效率的基礎(chǔ)和關(guān)鍵. 柔性作業(yè)車間調(diào)度問題( Flexible jobshopscheduling problem，F(xiàn)JSP)是傳統(tǒng)作業(yè)車間調(diào)度問題的擴(kuò)展，在傳統(tǒng)的作業(yè)車間調(diào)度問題中，每個工件的加工工序是確定的，每一道工序的加工機(jī)器和加工時間也是確定的，而在柔性作業(yè)車間調(diào)度問題中，每個工件的每一道工序可以在多個可選擇的加工機(jī)器上進(jìn)行加工，并且不同的加工機(jī)器所需要的加工時間是不同的，增加了調(diào)度的靈活性，比較符合生產(chǎn)的實際情況.
柔性作業(yè)車間調(diào)度問題已經(jīng)被證明是更復(fù)雜的NP-Hard 問題，因而難以取得最優(yōu)解. 目前，求解FJSP 的常用方法有禁忌搜索( TS)，模擬退火(SA)和遺傳算法(GA)等. 其中遺傳算法以其操作簡單、魯棒性強、搜索全局最優(yōu)解速度快等特點，在生產(chǎn)調(diào)度領(lǐng)域得到了廣泛的應(yīng)用.
遺傳算法是由美國J. Holland 教授于1975 年提出的，是一種模擬自然進(jìn)化過程的一種優(yōu)化算法. 由于傳統(tǒng)的遺傳算法存在著較大的缺陷，國內(nèi)外學(xué)者已從不同角度對其進(jìn)行了改進(jìn)，本文對傳統(tǒng)遺傳算法的初始種群進(jìn)行了改進(jìn)，以提高初始解的質(zhì)量.
1 柔性作業(yè)車間調(diào)度模型設(shè)有n 個待加工工件J(J1，J2，…，Jn)，在m臺設(shè)備上加工M(M1，M2，…，Mm)，每個工件Ji有Pi(Pi1，Pi2，…，Pin) 道工序，每道工序可在一臺或多臺設(shè)備上加工，同一道工序在不同設(shè)備上加工的時間可能不等，工序Pik的可選機(jī)器集為Mik(Mik 罬)，每臺設(shè)備的加工時間從0 開始，加工完所有工件的完成時間為ETMi . 本文以最小化最大完工時間為性能指標(biāo)，其目標(biāo)函數(shù)為:f(x) = min(max(ETMi))，1 ≤ i ≤ m模型需滿足如下約束條件:(1)同一工件的工序加工順序確定;(2)每道工序必須在它的上一道工序加工完成后才能開始加工;(3)每道工序只能選擇一臺設(shè)備進(jìn)行操作;(4)每臺設(shè)備在同一時間只能加工一個工件的一道工序;(5)每道工序在設(shè)備上操作時都不允許被中斷;(6) 不同工件工序之間沒有先后約束條件.一個包含3 個工件、5 臺機(jī)器的FJSP 的問題.
2 算法的設(shè)計
(1) 基因編碼
常用的遺傳算法編碼方案有二進(jìn)制編碼、格雷碼編碼、矩陣編碼、自然數(shù)編碼等，本文采用自然數(shù)編碼，每條染色體表示一個可行解，同時采用雙層編碼，第一層編碼為基于工件的工序編碼，編碼長度為所有工件工序之和，基因值代表工件號，基因值出現(xiàn)的次數(shù)代表該工件的工序總數(shù)，第二層編碼為對應(yīng)于第一層工件工序的機(jī)器編碼，所以編碼長度也為所有工件工序之和.染色體表示的工序順序為(O31，O11，O12，O21，O22，O32，O13，O33)，染色體表示的機(jī)器序列為(M2，M4，M2，M1，M4，M5，M3，M4).
(2)產(chǎn)生初始種群
初始種群的優(yōu)良對生物進(jìn)化會產(chǎn)生很大的影響，本文對初始種群的機(jī)器選擇進(jìn)行了改進(jìn)，首先隨機(jī)生成初始種群的工序編碼，工序編碼生成后就要對應(yīng)生成機(jī)器編碼，每個工件工序在對應(yīng)可選機(jī)器集中選擇機(jī)器時，是以不同的概率的來選擇不同的機(jī)器，機(jī)器加工時間短的以大概率被選擇，相比之下，機(jī)器加工時間長的以小概率被選擇，這樣既保證了機(jī)器選擇的隨機(jī)性，也優(yōu)化了初始種群.
(3)適應(yīng)度函數(shù)的確定
本文以最小化最大完工時間為目標(biāo)函數(shù)，故選擇全部工件完工時間作為評價種群優(yōu)劣的標(biāo)準(zhǔn)，設(shè)n 個待加工工件在m(M1，M2，…，Mm) 臺設(shè)備上加工，所有加工工件工序在設(shè)備上的最后完工時間為ETMi(i = 1，2，…，m)，T = max(ETMi)，則適應(yīng)度函數(shù)fi = 1 /T，T 越小，則適應(yīng)度越大，即個體越優(yōu).
(4)選擇
選擇操作的目的是為了保留優(yōu)良個體，使他們可以遺傳到下一代. 本文采用精英保留策略和輪盤賭法相結(jié)合的方法，對父代個體和子代個體進(jìn)行選擇時直接將最優(yōu)個體和次優(yōu)個體遺傳到下一代，然后對剩余的個體采用輪盤賭法進(jìn)行選擇，選擇出p - 2 個個體到下一代進(jìn)行遺傳操作. 若種群規(guī)模為p，個體i 的適應(yīng)度為fi，則個體i 被選擇的概率pi為pi = fi /Σpk = 1fk即適應(yīng)度越高的個體被選擇的概率就越大.
(5)交叉
交叉操作是產(chǎn)生新個體的主要方法，提高全局搜索能力. 本文采用單點交叉方式，即隨機(jī)產(chǎn)生一個交叉點，交換交叉點后的基因. 從種群中隨機(jī)選擇兩個個體，交換兩個個體工序編碼的交叉點后面的基因，將交叉后工件多余的工序替換為其他工件缺失的工序;機(jī)器部分則按交叉前工件工序所選擇的機(jī)器進(jìn)行相應(yīng)調(diào)整以保證其子代染色體的合法性.
(6)變異
變異操作的目的是改變算法的局部搜索能力，有助于維持進(jìn)化群體的多樣性，防止過早陷入局部最優(yōu). 本文采用互換方式，即隨機(jī)產(chǎn)生兩個變異點，交換兩點的基因值. 從種群中隨機(jī)選擇一個個體，對該個體的工序編碼部分隨機(jī)產(chǎn)生兩個變異點，交換兩點的基因值，同時將交換的基因位所對應(yīng)的機(jī)器號也進(jìn)行交換.
3 仿真實例分析
6 × 6(6 個工件，6 臺機(jī)器) FJSP的加工工序，機(jī)器選擇和加工時間矩陣表. 分別用標(biāo)準(zhǔn)遺傳算法和本文提出的改進(jìn)遺傳算法對工件最小化最大完工時間進(jìn)行優(yōu)化計算，并分析優(yōu)化計算結(jié)果.
遺傳算法采用以下參數(shù):種群規(guī)模為100，進(jìn)化代數(shù)為100，交叉概率Pc = 0. 8，變異概率Pm =0. 1. 算法運行10 次，標(biāo)準(zhǔn)遺傳算法的最大完工時間為20，收斂代數(shù)為75 代左右;改進(jìn)遺傳算法的最大完工時間為16，收斂代數(shù)為35 代左右. 改進(jìn)遺傳算法既縮短了工件完工時間，也加快了收斂代數(shù). 從而驗證了改進(jìn)遺傳算法的可行性
4 結(jié)論
傳統(tǒng)遺傳算法在進(jìn)行種群初始化時采用的大多是隨機(jī)選擇方式，而本文提出了一種新的種群初始化方法，提高了種群初始解的質(zhì)量. 最后對改進(jìn)遺傳算法進(jìn)行了仿真實驗，并將結(jié)果與標(biāo)準(zhǔn)遺傳算法進(jìn)行比較，結(jié)果表明了本算法的優(yōu)越性和可行性.
【詳談改進(jìn)的遺傳算法求解柔性作業(yè)車間調(diào)度問題論文】相關(guān)文章：
巖土工程勘察問題與改進(jìn)措施論文02-24
建筑工程測量課程問題改進(jìn)論文11-20
電力企業(yè)營銷統(tǒng)計問題與改進(jìn)的論文02-21
水利工程管理問題及改進(jìn)措施論文03-02
中學(xué)體育教育中存在的問題及改進(jìn)建議的論文01-15
高校體育教學(xué)存在的問題及改進(jìn)策略論文03-05
初中體育教育問題及改進(jìn)措施論文02-27
作業(yè)成本法的運用及應(yīng)注意的問題的論文12-07
- 相關(guān)推薦